Posttransplant Lymphoproliferative Disorder in Children: A 360-degree Perspective
Notice bibliographique
Résumé
Posttransplant lymphoproliferative disorder (PTLD) is the most common malignancy that can occur after organ transplant in children. PTLD arises because the patient’s immune system has been suppressed to protect the graft and may fail to provide an adequate immune check for transformed malignant or premalignant lymphocytes. PTLD risk factors and pathogenesis are not completely understood; however, Epstein-Barr virus is identified in many patients with PTLD and may contribute to its evolution. PTLD is a clinical challenge because the biologic behavior and clinical manifestations are diverse, and there is no standardized treatment. Treatment options include reduction of immunosuppression therapy, chemotherapy, radiation therapy, and surgical resection of localized lesions, depending on factors including the type and extent of disease, whether the patient has positive test results for the Epstein-Barr virus, and patient comorbidities. A multidisciplinary approach is essential for the appropriate management of PTLD. Diagnostic imaging modalities such as radiography, US, CT, MRI, and PET are essential in diagnosis, assessment of therapeutic response, and monitoring of this heterogeneous disease entity. When imaging findings are suggestive of PTLD, prompt tissue biopsy to identify the PTLD subtype is essential for appropriate treatment. It is important to know the proper indications and limitations of different diagnostic imaging techniques in the management of PTLD. In addition, familiarity with the imaging features of PTLD and its mimics narrows the differential diagnosis and may facilitate decision making about patient treatment. ©RSNA, 2020 An earlier incorrect version of this article appeared online. This article was corrected on December 17, 2019.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».